UN PROCESO DE POISSON APLICADO AL CONTROL DE FALLAS

DE LAS MÀQUINAS DE TINTURA DE UNA INDUSTRIA TEXTIL

ECUATORIANA

Danilo Santiago Criollo Chávez

Escuela Politécnica Nacional, Escuela de Ciencias, Carrera de Ingeniería Matemática.

Quito – Ecuador
2004-06-27
danilosantiago@yahoo.com
santiago_zurita@hotmail.com

INTRODUCCIÒN
Después de optar por un sistema económico dolarizado en Marzo del año 2000, el
Ecuador ha venido atravesando una serie de dificultades en todos los ámbitos y no podía
ser la excepción el sector textil ecuatoriano, ya que se habla de una pérdida de ventajas
comparativas, que le permitían a este sector alcanzar, mantenerse y mejorar una
determinada posición en el mercado.

A fin de compensar tales ventajas comparativas, las personas que se encuentran dentro
de este sector, ya sea propietarios o empleados tienen el deber de hacer uso al máximo
de todos los recursos o herramientas, ya sean teóricas o de otra índole a fin de
compensar o superar dichas desventajas, lo que conduce a la obtención de un lugar en
el entorno económico de dicha industria.

El buen uso de dichos recursos o herramientas nos conduce a pensar en la idea de

optimizar recursos humanos y materiales que dependen directamente del factor
económico, lo que mejorará la producción de la empresa.

OBJETIVO
El objetivo principal de este trabajo es diseñar una herramienta estadística que sirva
para modelar, controlar y tratar de predecir las fallas de una máquina de tintura (DMS
200 Kg) de una empresa textil pero tomando en cuenta que los eventos a modelar son
los paros no programados y que los mismos se comportan como un proceso de conteo.

MARCO TEORICO

Definición:

El proceso de conteo {N(t) , t ≥ 0 } se dice que es un proceso de poisson con tasa λ si

las variables aleatorias X1, X2, ... (tiempo entre ocurrencias) tiene una distribución
común exponencial

P(xn ≤ x) = 1 – e- λx
Se tiene el proceso de conteo definido anteriormente, tenemos que verificar que las
variables aleatorias X1, X2,...,X18 tienden a seguir una ley exponencial con lo que
aseguraríamos que el proceso es de poisson.

Definición :

Un proceso estocástico de parámetro continuo satisface las siguientes condiciones

1) P[N0 = 0] = 1
2) {Nt, t Є T} tiene incrementos independientes
3) P[Nt > 0] > 0 para todo t > 0
P[ N h  2]
lim 0
4) h0 P[ N n  1]

Las condiciones 3) y 4) son conocidas regularmente como propiedades de procesos de

poisson

DISTRIBUCION DE POISSON

Una de las distribuciones discretas mas útiles es la distribución de poisson. Esta puede
desarrollarse de dos formas. El primer desarrollo involucra la definición de un proceso
de poisson y el segundo desarrollo muestra que la distribución de poisson es una forma
limite de la distribución binomial.
Al desarrollar un proceso de poisson se consideraran inicialmente algunas ocurrencias
arbitrarias orientadas en el tiempo las que a menudo se denominaran llegadas o eventos.
La variable aleatoria de interés por ejemplo N(t) es el numero de ocurrencias en el
intervalo [ 0, t ]. Al realizar la distribución de N(t) es necesario recalcar algunas
consideraciones cuya validez esta basada en numerosas evidencias empíricas.

La primera consideración es que el número de ocurrencias durante intervalos de tiempo

que no se sobreponen son variables aleatorias independientes .

Resumiendo:

 N(t) tє [0, ∞)
 N(t) toma valores enteros no negativos
 N(0) = 0
 N(s), N( t – s ) son independientes

0 s t

La segunda consideración es que existe una cantidad positiva λ tal que para cualquier
intervalo de tiempo pequeño Δt se cumplen los siguientes postulados:
 a) La probabilidad de que ocurra con exactitud una llegada en un intervalo de
duración Δt es aproximadamente λ Δt. La aproximación es en el sentido de que
la probabilidad es λ Δt + o1 (Δt) y [ o1(Δt) / Δt ] → 0 conforme Δt → 0.

b) La probabilidad de que ocurran exactamente cero llegadas en el intervalo es casi

Δt → 0. De nuevo esto es en el sentido de que es igual a 1- [ λΔt ] + o2 (Δt) y
[o2(Δt) / Δt ] → 0 conforme Δt → 0.

c) La probabilidad de que ocurran dos o mas llegadas en el intervalo es igual a una

cantidad o3 (Δt) y [o3(Δt) / Δt ] → 0 conforme Δt → 0

P(N(t) = n) = pn(t) con n=0,1,2,…

0 t t+Δt

Entonces se fija el tiempo en t y se obtiene

p0 (t+Δt) ≈ [ 1 - λ Δt] p0(t)

de manera que

p0 (t  t )  p0 (t )
  p0 (t )
t

p0 (t  t )  p0 (t )
lim[ ]  p0 '(t )   p0 (t )
t 0 t

para n > 0

pn (t+Δt) ≈ λ Δt pn-1(t) + [ 1 - λ Δt] pn(t)

de manera que

pn (t  t )  pn (t )
  pn 1 (t )   pn (t )
t

y
pn (t  t )  pn (t )
lim[ ]  pn '(t )   pn1 (t )   pn (t )
t 0 t

Resumiendo se tiene un sistema de ecuaciones diferenciales

 p0 '(t )   p0 (t )
pn '(t )   pn1 (t )   pn (t )

La solución a estas ecuaciones es:

 t  e  t
n

pn (t )  con n=0,1,2,…
n!
= 0 de otra manera

La media de una variable aleatoria X = Xt es λ y la varianza es también λ como puede

verse a continuación


ne t (t ) n 
e   t ( t ) n
E( X )   
n 0 n! n 1 ( n  1)!

 t  t 2
 t

 (t )e 1    ....
 1! 2! 
 (t )e  t .et
 t

De manera similar,

n 2 e   t ( t ) n

E( X )  
2
 ( t ) 2   t
n 0 n!

De manera que

V ( X )  E ( X 2 )  [ E ( X )]2
 t

GENERALIZACIÓN DE PROCESOS DE POISSON

Usando la notación N(t) en vez de Nt podemos mostrar facilmente que un proceso de

poisson {N(t), t ≥ 0} satisface los siguientes axiomas:

axioma 0: P[N(0) = 0] = 1
axioma 1: {N(t), t ≥ 0} tiene incrementos independientes
axioma 2: P[N(t) > 0] > 0 para todo t > 0
axioma 3: para todo t > 0
 P  N (t  h)  N (t )  2
lim 0
h 0 P  N (t  h)  N (t )  1

DISTRIBUCION EXPONENCIAL

La distribución exponencial tiene función de densidad

f(t) = λe-λt t ≥0
=0 de otra manera

En donde el parámetro λ es una constante real positiva

La densidad exponencial esta estrechamente relacionada con la distribución de poisson,
y una explicación acerca de esta relación nos ayudaría a desarrollar un entendimiento
acerca del tipo de situaciones para las cuales la densidad exponencial resultaría
adecuada.

Al desarrollar la distribución de poisson a partir de los postulados de poisson y del

proceso de poisson, se fijo el tiempo en algún valor t, y se desarrollo la distribución del
numero de ocurrencias en el intervalo [ 0, t ]. Se denoto a esta variable aleatoria
mediante X y la distribución fue

p(n)=P(N(t) = n) = e- λt(λt)n / n! n=0,1,2,…

=0 de otra manera

Considerese ahora p(0), que es la probabilidad de que no haya ocurrencias en [ 0 ,t ].

Esto es igual a
p(0) = e- λt

Originalmente se fijo el tiempo en t. Otra interpretación de p(0) = e- λt es que esta es la

probabilidad de que el tiempo que deberá de transcurrir hasta que la primera ocurrencia
sea mayor de t. Si se considera este tiempo como una variable aleatoria X, se observa
que

p(0) = P(X > t) = e- λt con t ≥ 0

Entonces si ahora se deja que el tiempo varíe y si se considera a la variable aleatoria X

como el tiempo transcurrido hasta la ocurrencia entonces

F(t) = P(X ≤ t) = 1 - e- λt

y puesto que f(t) = F’(t) se ve que la densidad es

f(t) = λe- λt

Entonces la distribución exponencial y de poisson pueden expresarse de la siguiente

forma:
 ‘’ Si el numero de ocurrencias tiene una distribución de poisson entonces el tiempo
entre ocurrencias tiene una distribución exponencial.”

E(X) = 1/λ
V(X) = 1/λ2

Con su desviación tipica igual a 1/λ

La distribución exponencial tiene una propiedad interesante y única: no tiene memoria

P  X  t  s
para variables continuas esto es: P( X  t  s X  t ) 
P( X  t )
e  (t  s )
  t
e
 t
e
De manera que

P( X  t  s X  t )  P( X  s )

DESCRIPCIÓN DEL ENTORNO DONDE SE DESARROLLARÁ EL

MODELO
En una empresa cuya actividad económica es la fabricación (producción) de un bien,
intervienen una infinidad de factores, controlables e incontrolables, materiales o
humanos que provienen de macro-sistemas o sub-sistemas, a esta interacción
llamaremos flujos, que los clasificaremos en flujos de información o flujos de insumos.
Cuando uno o varios de de estos flujos se atrasa o se corta se producen las paradas no
programadas de las máquinas y una parada no programada de máquina tiene incidencia
en aspectos importantes como:

 Cambio considerable de los programas de producción lo que ocasiona un

retraso de entrega.
 Provoca cuellos de botella en las líneas, incrementando la cantidad de material
en proceso lo que implica: mayor espacio utilizado.
 Mayor inversión inmovilizada.
 Problemas de calidad en el producto acumulado.
 Personal ocioso y desmotivado.
 Mayor desperdicio de materiales.
 Mayores costos en las reparaciones.
A continuación se da un esquema de del sistema de tinturación de telas y sus relaciones
con el resto del área de producción de la empresa.
DIAGRAMA DE ENTRADAS Y SALIDAS DEL SISTEMA DE TINTURACIÓN
DE TELAS DE LA EMPRESA DICOMTEXA GRUPO-TEXTIL RECALEX

(FLUJOS DE INFORMACIÓN, MATERIA PRIMA)

Perchado
Calandrado
Compactad
o etc.

ACABADOS
AB

GERENCIA DE
PRODUCCIÓN
GP

AUTO CLAVE Y ROTATIVA

SECADO

PLANCHADO

CENTRIFUGADO

TINTURACIÓN
TT MANTENIMIENTO
MT

PLANIFICACIÓN
PL
BODEGA DE
TELA CRUDA
JEE BTC
TÉCNICO
JEFE DE
JT
PLANTA
JP

BODEGA DE
COLORANTES
Y AUXILIARES
QUIMICOS LABORATORIO
BCA LB

ADQUISICIONES CALIDAD CONTROL

Y COMPRAS COMERCIALIZACIÓN C DE CALIDAD
AC CO CC
 LISTADO DE PROBLEMAS

Del análisis de todos los flujos y papeles de las distintas entidades del área de
producción se pudo concluir que el área de tinturación es la parte más sensible para el
desempeño y cumplimiento de los plazos de entrega ya que es el área donde se reflejan
los problemas enlistados anteriormente.
METODOLOGÍA
Para realizar nuestro estudio, lo que primero se hizo fue un reconocimiento de este
sistema y una revisión de que tipo de información se tenía del mismo, entre la
información que por un tiempo se había recolectado de una de las máquinas, se
encontramos la siguiente entre el periodo: 1 de Agosto 2001 – 26 de Septiembre 2001

Tipo de Fallas y Número de Ocurrencias

Tabla 1

Debido a que se poseía un listado de fallas detallado y tras una consulta con los
encargados de mantenimiento se concluyó que no era necesaria una prueba de rachas
para determinar si los paros dependían uno de otro.
Cantidad, Tipo de Tela, Color, Turno, Fecha, Inicio y Fin del Proceso de Tintura

Tabla 2

Celdas Rojas = Paradas de Máquina No programadas

Celdas Amarillas = Paradas de máquinas de acuerdo al plan de tintura, Lavado de
maquinaria que se realiza para un cambio en las secuencias de color.

De los datos de la Tabla 2 lo que primero que vienen a la mente es calcular un tiempo
de duración del proceso de teñido de la tela, tiempo de funcionamiento de la máquina
hasta el siguiente error. Ver el tipo de error que hubo, En este caso modelaremos las
ocurrencias de los errores y el tiempo entre estos.
En la siguiente tabla se muestra los intervalos de tiempo entre fallas no programadas y
el tiempo real de funcionamiento de la máquina

Las hipótesis que tendremos en cuenta durante la construcción del modelo es que los
paros de la máquina programados (Que constan dentro del programa de tintura) se
supondrán despreciables lo que implica una continuidad del tiempo en el periodo
provisto anteriormente entre otras.

Longitud de tiempo entre la falla numero 3 y la falla 4

X1
X2 X4 Xn

X3

Ocurrencia del n-ésimo evento

Nuestro evento es una falla en la maquina
Para Aplicar toda la teoria que se expuso en el márco teórico con respecto a las
longitudes de tiempo entre fallas se justificará el echo de que las variables X(t), siguen
un distribución exponencial, pero debido a que el tamaño de la muestra es pequeño no
se puede usar una prueba estadistica confiable, nos basaremos en la distribución de los
tiempos y las frecuencias en un histograma

Llamaremos:

Xi (t) : longitud de tiempo entre la falla i-1, y la i, i=1,2,3…n

N (t): numero de fallas hasta el instante t
N: Número total de fallas.
t: Tiempo total del sistema (1de Agosto 2001-29 de Septiembre 2001) = 1368 Horas
Sn(t): Tiempo total de funcionamiento de la máquina o tiempo para fallar y viene dado
por:
n
Sn (t )   X i (t )
i 1

S18(t) = 871.04 Horas

TAFF: Tiempo Promedio para fallar (Periodo Promedio de Eventos) y viene dado por:

S (t )  X (t ) i
TAFF  n  i 1
= 48.39 Horas
N N

Es una constante no negativa, y se define como la tasa de fallas del sistema, en
nuestro caso representa la tasa de fallas de la máquina

1

TAFF

λ = 0.0207 Fallas por hora ( 14.9 Fallas por mes)

λt = 0.0207*871.04=18.03

De las notaciones expuestas anteriormente se puede calcular la probabilidad que tiene

una máquina para cumplir su función de diseño durante un periodo especificado de
tiempo:

e   t ( t ) n
P( N (t )  n) 
n!
Y específicamente la probabilidad de que ocurran cero fallas, se entendería como la
confiabilidad de la máquina y vendría dada por:

R0  P( N (t )  0)  et =1.47x10-8

Pi: Es la probabilidad de que ocurra una parada no programada en la máquina y esta

dada por :
1  R0  1  e t = 0.999999985228